[发明专利]一种风险攻击的感知方法、装置及设备

权利要求书

1.一种风险攻击的感知方法，所述方法包括：

获取执行预设目标业务之前执行非目标业务的过程中产生的业务数据，以及执行所述非目标业务的过程中采集的终端设备的设备信息，所述业务数据和所述设备信息构成的数据中包含的信息维度高于预设维度阈值；

对所述业务数据对应的特征进行编码处理，得到编码后的业务特征，并对所述设备信息对应的特征进行编码处理，得到编码后的设备特征；

将所述编码后的业务特征和所述编码后的设备特征输入到目标模型中，通过所述目标模型中的压缩网络子模型对所述编码后的业务特征和所述编码后的设备特征进行降维处理，并对降维后的特征进行重构处理，得到重构的特征，基于所述编码后的业务特征、所述编码后的设备特征和所述重构的特征确定重构误差特征，基于所述重构误差特征和所述降维后的特征构建所述目标模型中的估计网络子模型的输入数据，将构建的输入数据输入到所述估计网络子模型中，得到执行所述目标业务时存在预设风险的概率。

2.根据权利要求1所述的方法，所述方法还包括：

获取预设周期内一个或多个不同的终端设备执行所述目标业务时存在预设风险的概率，基于预设周期内每个终端设备执行所述目标业务时存在预设风险的概率，确定所述预设风险对应的攻击方式。

3.根据权利要求1所述的方法，所述方法还包括：

获取用于训练所述目标模型的样本数据，所述样本数据包括终端设备执行预设目标业务之前执行非目标业务的过程中产生的历史业务数据，以及执行所述非目标业务的过程中采集的所述终端设备的历史设备信息，所述历史业务数据和所述历史设备信息构成的数据中包含的信息维度高于预设维度阈值；

对所述样本数据对应的特征进行编码处理，得到编码后的样本特征；

将所述编码后的样本特征输入到所述目标模型中，通过所述目标模型中的压缩网络子模型对所述编码后的样本特征进行降维处理，并对降维后的样本特征进行重构处理，得到重构的样本特征，基于所述编码后的样本特征和所述重构的样本特征确定重构误差特征，基于所述重构误差特征和所述降维后的样本特征构建所述目标模型中的估计网络子模型的输入数据，将构建的输入数据输入到所述估计网络子模型中，得到执行目标业务时存在预设风险的概率，并基于所述执行目标业务时存在预设风险的概率和预设的损失函数确定所述目标模型是否收敛，如果未收敛，则基于样本数据继续对所述目标模型进行训练，直到所述目标模型收敛，得到训练后的目标模型。

4.根据权利要求1-3中任一项所述的方法，所述对所述业务数据对应的特征进行编码处理，得到编码后的业务特征，并对所述设备信息对应的特征进行编码处理，得到编码后的设备特征，包括：

基于独热One-Hot编码规则，对所述业务数据对应的特征进行编码处理，得到编码后的业务特征，并基于独热One-Hot编码规则，对所述设备信息对应的特征进行编码处理，得到编码后的设备特征。

5.根据权利要求4所述的方法，所述业务数据中包括具有连续数值的特征，所述基于独热One-Hot编码规则，对所述业务数据对应的特征进行编码处理，得到编码后的业务特征，包括：

对所述业务数据中具有连续数值的特征进行分箱处理，得到多个分箱特征；

基于独热One-Hot编码规则，分别对每个分箱特征进行编码处理，得到编码后的业务特征。

6.根据权利要求3所述的方法，所述样本数据不包含标签信息，或者，所述样本数据包含标签信息，或者，所述样本数据中的部分样本数据包含标签信息，另一部分样本数据不包含标签信息；如果所述样本数据中包含具有标签信息的样本数据，则所述损失函数基于所述重构误差特征、所述估计网络子模型中的似然函数、所述样本数据中包含的具有标签信息的样本数据的分类损失构建。

7.根据权利要求4所述的方法，所述预设风险包括盗用风险、欺诈风险、非法交易风险中的一项或多项。

8.根据权利要求7所述的方法，所述压缩网络子模型由多层感知机MLP构建，或者，所述压缩网络子模型由预设的神经网络算法构建。